将聚类输出拟合到机器学习模型中

Question

只是一台机器learning/data科学问题。

a) 假设我有一个包含 20 个特征的数据集，我决定使用 3 个特征来执行聚类的无监督学习——理想情况下这会产生 3 个聚类 (A, B 和 C）。

b) 然后我将该输出结果（集群 A、B 或 C）作为新特征（即现在共有 21 个特征）重新放入我的数据集中。

c) 我运行一个回归模型来预测具有 21 个特征的标签值。

想知道步骤b)是否多余（因为特征已经存在于较早的数据集中），如果我使用更强大的模型（随机森林，XGBoost），或者不，以及如何从数学上解释这一点。

有任何意见和建议都将不胜感激！

Answer 1

啊哈，不错！您可能认为您正在使用两个模型，但实际上您是将两个模型合并为一个模型，并使用跳过连接。由于它是一种模型，因此根据没有免费午餐定理，无法事先确定什么是最佳架构。因此，实际上，您必须尝试一下，并且从数学上讲，由于没有免费的午餐定理，因此事先无法知道。

Answer 2

好主意：试一试，看看效果如何。如您所料，这在很大程度上取决于您的数据集和模型选择。很难预测添加这种类型的特征会如何表现，就像任何其他特征工程一样。但请注意，在某些情况下，它甚至不会提高您的表现。请参阅下面的测试，其中性能实际下降，使用 Iris 数据集：

import numpy as np
from sklearn.cluster import KMeans
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
from sklearn.svm import SVC
from sklearn import metrics

# load data
iris = load_iris()
X = iris.data[:, :3]  # only keep three out of the four available features to make it more challenging
y = iris.target

# split train / test
indices = np.random.permutation(len(X))
N_test = 30
X_train, y_train = X[indices[:-N_test]], y[indices[:-N_test]]
X_test, y_test = X[indices[N_test:]], y[indices[N_test:]]

# compute a clustering method (here KMeans) based on available features in X_train
kmeans = KMeans(n_clusters=3, random_state=0).fit(X_train)
new_clustering_feature_train = kmeans.predict(X_train)
new_clustering_feature_test = kmeans.predict(X_test)

# create a new input train/test X with this feature added
X_train_with_clustering_feature = np.column_stack([X_train, new_clustering_feature_train])
X_test_with_clustering_feature = np.column_stack([X_test, new_clustering_feature_test])

现在让我们比较仅在 X_train 或 X_train_with_clustering_feature 上学习的两个模型：

model1 = SVC(kernel='rbf', gamma=0.7, C=1.0).fit(X_train, y_train)
print(metrics.classification_report(model1.predict(X_test), y_test))

              precision    recall  f1-score   support

           0       1.00      1.00      1.00        45
           1       0.95      0.97      0.96        38
           2       0.97      0.95      0.96        37

    accuracy                           0.97       120
   macro avg       0.97      0.97      0.97       120
weighted avg       0.98      0.97      0.97       120

和另一个模型：

model2 = SVC(kernel='rbf', gamma=0.7, C=1.0).fit(X_train_with_clustering_feature, y_train)
print(metrics.classification_report(model2.predict(X_test_with_clustering_feature), y_test))

           0       1.00      1.00      1.00        45
           1       0.87      0.97      0.92        35
           2       0.97      0.88      0.92        40

    accuracy                           0.95       120
   macro avg       0.95      0.95      0.95       120
weighted avg       0.95      0.95      0.95       120

将聚类输出拟合到机器学习模型中

Fit clustering outputs into Machine Learning model

machine-learning

data-science

feature-engineering